├── README.md
├── 决策树
├── .ipynb_checkpoints
│ └── DescideTree-checkpoint.ipynb
├── DescideTree.ipynb
└── Image
│ └── 1.jpg
├── 支持向量机
└── Support_Vector_Machine.ipynb
├── 神经网络
├── .ipynb_checkpoints
│ └── NeuralNetwork-checkpoint.ipynb
└── NeuralNetwork.ipynb
├── 线性模型
├── .ipynb_checkpoints
│ ├── LinearRegression-checkpoint.ipynb
│ ├── LogisticRegression-checkpoint.ipynb
│ ├── untitled-checkpoint.txt
│ └── untitled1-checkpoint.txt
├── Images
│ ├── 1.jpg
│ ├── 2.jpg
│ ├── 2_01.jpg
│ ├── 2_1.jpg
│ └── 3.jpg
├── LinearRegression.ipynb
└── LogisticRegression.ipynb
└── 逻辑回归模型
├── Images
├── 1.jpg
├── 2.jpg
├── 2_01.jpg
├── 2_1.jpg
└── 3.jpg
└── LogisticRegression.ipynb
/README.md:
--------------------------------------------------------------------------------
1 | # Machine_learning_notes
2 | 机器学习笔记和算法的python代码实现，学习的课程包括Andrew Ng 和林轩田的Machine Learning的课程，以及周志华的《机器学习》和李航的《统计学习方法》等电子书。
3 | HELL
4 |
--------------------------------------------------------------------------------
/决策树/.ipynb_checkpoints/DescideTree-checkpoint.ipynb:
--------------------------------------------------------------------------------
1 | {
2 | "cells": [
3 | {
4 | "cell_type": "markdown",
5 | "metadata": {},
6 | "source": [
7 | "\n",
8 | "# 3 决策树（decision tree）\n",
9 | " 决策树是一种基本的分类和回归方法，决策树呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。决策树学习主要包括3个步骤：特征选择、决策树的生成和决策树的修剪。下图是一个决策树的示意图，图中圆和方框分别表示内部节点和叶节点。\n",
10 | "\n",
11 | "
\n",
12 | "
\n",
11 | "
\n",
12 | "